Pengelompokan Berita Online Menggunakan Multinomial Naive Bayes

Rahman, Amelia (2017) Pengelompokan Berita Online Menggunakan Multinomial Naive Bayes. Other thesis, Universitas Sebelas Maret.

[img] PDF - Published Version
Download (726Kb)

    Abstract

    ABSTRAK Jumlah dokumen teks yang terus bertambah merupakan sumber informasi yang sangat berharga dan dapat dimanfaatkan untuk berbagai kepentingan. Analisis dokumen teks dapat dilakukan dengan text mining. Salah satu metode text mining yang bermanfaat untuk mengelompokan data yang jumlahnya sangat banyak dan sulit dilakukan apabila diproses secara manual adalah klasifikasi. Klasifikasi merupakan suatu proses pengelompokan dan pengkategorian suatu dokumen berdasarkan model terlatih yang sudah memiliki label sebelumnya. Penelitian ini bertujuan untuk mengelompokan berita dalam teks Bahasa Indonesia dengan metode klasifikasi Multinomial Naive Bayes. Untuk mendapatkan hasil yang lebih optimal, maka dilakukan proses seleksi fitur menggunakan metode Document Frequency Thresholding dan juga pembobotan dengan Term Frequency – Document Frequency (TFIDF). Hasil penelitian menunjukan bahwa penggunaan Term Frequency – Document Frequency (TFIDF) menghasilkan nilai rata-rata tertinggi mencapai 86,62 %, sementara Multinomial Naive Bayes mencapai 86,28%, Multinomial Naive Bayes dengan DF-Thresholding-TFIDF mencapai 86,15% dan Multinomial Naive Bayes dengan DF-Thresholding mencapai 85,98%. Fitur seleksi dengan metode Document Frequency Thresholding cukup efektif untuk mengurangi jumlah dimensi data ditunjukan dengan hasil akurasi akhir yang tidak jauh signifikan dari metode Multinomial Naive Bayes.

    Item Type: Thesis (Other)
    Subjects: T Technology > T Technology (General)
    Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam
    Fakultas Matematika dan Ilmu Pengetahuan Alam > Informatika
    Depositing User: Nanda Rahma Ananta
    Date Deposited: 02 Sep 2017 18:03
    Last Modified: 02 Sep 2017 18:03
    URI: https://eprints.uns.ac.id/id/eprint/34385

    Actions (login required)

    View Item